Der Research Synthesizer: Finden Sie heraus, worin Quellen übereinstimmen, worüber sie streiten und was sie unbeantwortet lassen
Why this prompt matters
Most people read sources sequentially and end up anchored to whichever conclusion they read last. Real synthesis requires mapping the intellectual landscape: where genuine consensus exists, where disputes are empirical vs methodological vs definitional, and where evidence is simply absent. Without this, you can unknowingly cherry-pick support for any conclusion. A 45-minute manual synthesis that would normally take an analyst half a day costs seconds with this prompt.
What we use it for
You have pulled together 4–7 articles, papers, or reports on a topic before writing a brief, making a decision, or presenting to stakeholders — and you need to understand the actual state of evidence across them, not just what each article says on its own.
Prompt
Act as a systematic research analyst with expertise in synthesizing academic and professional literature. You will analyze the source summaries or abstracts I provide and produce a structured synthesis identifying: where sources converge, where they conflict, what each uniquely contributes, and what important questions remain unanswered. I am researching: [YOUR RESEARCH TOPIC OR QUESTION] Here are the source summaries to synthesize: SOURCE 1 — [TITLE / AUTHOR / DATE]: [PASTE SUMMARY OR ABSTRACT HERE] SOURCE 2 — [TITLE / AUTHOR / DATE]: [PASTE SUMMARY OR ABSTRACT HERE] SOURCE 3 — [TITLE / AUTHOR / DATE]: [PASTE SUMMARY OR ABSTRACT HERE] [Add more sources as needed — 3 to 8 sources works best] Constraints: - Work only from what I have provided. Do not introduce outside knowledge. - Flag when two sources use the same term differently — definitional conflicts matter. - Be specific: when noting agreement or disagreement, cite which sources and what exact claims. - Do not summarize each source individually — I have already read them. Synthesize across them. - If a source is too brief or vague to contribute meaningfully, say so rather than padding. - Distinguish empirical conflicts (different findings) from methodological conflicts (different measurement approaches) from definitional conflicts (different meaning of terms). Produce your synthesis in this exact format: ## Points of Strong Agreement [Claims supported by 3+ sources, with source citations in parentheses] ## Productive Tensions [Where sources meaningfully disagree — note whether the conflict is empirical, methodological, or definitional, and why it matters] ## Unique Contributions [One bullet per source: what this source adds that the others do not cover] ## Unanswered Questions [Important questions the sources collectively leave open: gaps, unstudied populations, unexplored mechanisms, missing timeframes] ## Synthesis Statement [One dense paragraph integrating the above into a coherent research-landscape assessment — suitable for quoting in your own writing]
Result
Research topic: Does remote work reduce productivity?
Sources provided: Bloom & Liang (2023), Microsoft Work Trend Index (2025), Stanford WFH Research (2024), McKinsey Future of Work (2025), Chen et al. (2024)
Points of Strong Agreement
All five sources agree that remote work productivity outcomes are highly heterogeneous — dependent on role type, individual autonomy preference, home environment quality, and management approach (Bloom & Liang; Microsoft; Stanford; McKinsey; Chen et al.). Three sources explicitly note that productivity metrics used in remote work studies are inconsistently defined, making cross-study comparisons unreliable (Bloom & Liang; Stanford; Chen et al.).
Productive Tensions
The central empirical conflict is between Bloom & Liang (2023), who find a 9% productivity gain for hybrid workers over full-remote, and the Microsoft Work Trend Index (2025), which reports 87% of full-remote knowledge workers self-assess as highly productive. This is a methodological conflict, not a factual one: Bloom & Liang use manager-rated output metrics for customer service roles; Microsoft uses self-reported assessments across knowledge workers. The populations and measurement instruments are fundamentally different.
McKinsey and Stanford diverge on whether collaboration quality declines in remote settings. McKinsey finds measurable degradation in cross-team innovation projects; Stanford finds no measurable difference when controlling for meeting frequency. This is an empirical conflict that likely reflects different industries sampled.
Unique Contributions
- Chen et al.: Only source examining productivity variation by home office setup quality — finds ergonomic environment accounts for 23% of productivity variance
- Bloom & Liang: Only source with randomized control data rather than observational
- Microsoft Work Trend Index: Largest sample (31,000 workers, 31 countries), only source with multi-country data
- Stanford WFH: Only longitudinal data spanning 2020–2024 — tracks adaptation over time
- McKinsey: Only source distinguishing individual-task productivity from collaborative innovation productivity
Unanswered Questions
- How do productivity effects evolve after 3+ years of sustained remote work? (All studies capture ≤18 months post-adoption)
- Are findings consistent across labor markets outside the US, UK, and Australia?
- How does manager monitoring intensity interact with intrinsic motivation over time?
- What happens to long-term career progression for remote workers — absent from all five sources?
Synthesis Statement
The literature does not support a simple "remote work increases or decreases productivity" conclusion. The stronger finding, supported across all five sources, is that outcomes are highly contextual. Methodological choices — particularly whether to measure individual task output or collaborative outcomes, and whether to use self-report or manager ratings — largely predict the direction of findings. The most important unanswered question is longitudinal: nearly all existing data captures an adjustment period, not a steady state. Any organizational decision based on this literature must specify what type of productivity it cares about and for what worker population.
Die meisten Menschen gehen einen Stapel Forschungsergebnisse auf die gleiche Weise an: Sie lesen Quelle eins, dann Quelle zwei, dann Quelle drei – und vertreten am Ende das, was der letzte Autor am überzeugendsten argumentiert hat. Das ist keine Synthese. Das ist sequenzielle Exposition.
Wirkliche Synthese erfordert eine andere Art des Lesens: Kartieren, wo Quellen konvergieren, isolieren, wo sie wirklich uneins sind und warum, identifizieren, was jede einzelne einzigartig beiträgt – und vor allem erkennen, was die gesamte Literatur noch unbeantwortet lässt. Dieses Prompt wurde entwickelt, um genau diese Analyse zu erzwingen.
Warum jeder Abschnitt des Prompts existiert
Das Ausgabeformat hat fünf Abschnitte, und jeder ist bewusst gewählt.
Punkte starker Übereinstimmung verlangt von der KI, Behauptungen zu finden, die von mehreren Quellen gestützt werden – nicht nur „die meisten Quellen diskutieren X“, sondern „diese spezifischen Quellen machen diese spezifische Behauptung“. Dies verhindert falsche Ausgewogenheit, bei der zwei Ausreißer-Papiere das gleiche Gewicht wie ein Konsens aus sechs erhalten.
Produktive Spannungen ist der wichtigste Abschnitt. Das Prompt fordert die KI auf, Meinungsverschiedenheiten nach Typ zu klassifizieren: empirisch (unterschiedliche Ergebnisse aus unterschiedlichen Daten), methodisch (unterschiedliche Messansätze, die zu unterschiedlichen Schlussfolgerungen führen) oder definitorisch (Quellen verwenden dasselbe Wort für unterschiedliche Bedeutungen). Diese Unterscheidung ist enorm wichtig. Ein empirischer Konflikt deutet auf ein reales Phänomen hin, das es zu untersuchen lohnt. Ein methodischer Konflikt bedeutet oft, dass die Studien nicht wirklich dasselbe messen. Ein definitorischer Konflikt bedeutet, dass Sie Äpfel mit Heftgeräten vergleichen.
Einzigartige Beiträge verhindert den häufigen Fehler, alle Quellen als austauschbar zu behandeln. Jede Quelle in einer guten Literaturübersicht wurde aus einem Grund ausgewählt – dieser Abschnitt zwingt die KI, diesen Grund explizit zu formulieren.
Unbeantwortete Fragen ist das, was nützliche Synthese von bloßer Zusammenfassung unterscheidet. Die Lücken in einer Literatur sind oft handlungsrelevanter als ihre Ergebnisse: Sie sagen Ihnen, wo Ihr eigenes Urteil einspringen muss, wo Ihre Entscheidung ein nicht quantifiziertes Risiko birgt und wo weitere Forschung erforderlich ist, bevor Sie sich festlegen.
Synthese-Statement produziert einen einzigen dichten Absatz, der sich zum direkten Zitieren oder Anpassen in Ihren eigenen Text eignet – eine gebrauchsfertige Charakterisierung der Forschunglandschaft.
Wie Sie das Beste daraus machen
Das Prompt funktioniert am besten mit 3 bis 8 Quellen. Bei weniger als 3 gibt es nichts zu synthetisieren; bei mehr als 8 verlieren selbst die besten LLMs den Überblick, welche Behauptung von welcher Quelle stammt.
Fügen Sie tatsächliche Abstracts oder Zusammenfassungen ein – nicht nur Titel. Je spezifischer die Eingabe, desto spezifischer die Synthese.
Die Anweisung, zwischen empirischen, methodischen und definitorischen Konflikten zu unterscheiden, leistet echte Arbeit. Lassen Sie sie drin. Ohne sie werden die meisten LLMs feststellen, dass Quellen „uneins“ sind, ohne zu erklären, warum.
Kompatible Modelle
Dieses Prompt funktioniert gut mit Claude Sonnet 4.6, GPT-5 und Gemini 3.5 Flash. Bei sehr langen Quelltexten (vollständige Arbeiten statt Abstracts) handhaben Claude und GPT-5 den Kontext zuverlässiger.